本申請涉及圖像處理，具體為一種基于yolov9的目標(biāo)檢測方法及系統(tǒng)。
背景技術(shù)：
1、yolov9是yolo(you?only?look?once)系列的最新版本，它在目標(biāo)檢測領(lǐng)域?qū)崿F(xiàn)了顯著的進(jìn)步。參閱圖1，為發(fā)布的yolov9模型的標(biāo)準(zhǔn)結(jié)構(gòu)，在yolov9模型中引入了可編程梯度信息(pgi)和廣義高效層聚合網(wǎng)絡(luò)(gelan)，這兩項技術(shù)標(biāo)志著實(shí)時目標(biāo)檢測領(lǐng)域的重大進(jìn)步。pgi通過輔助可逆分支生成可靠的梯度，解決了深層網(wǎng)絡(luò)中信息丟失的問題，而gelan優(yōu)化了參數(shù)利用率和計算效率，使yolov9能夠適應(yīng)各種計算環(huán)境。
2、雖然yolov9在目標(biāo)檢測領(lǐng)域取得了顯著的進(jìn)展，但仍然存在一些缺點(diǎn)和局限性，通過圖1可知對于yolov9的網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，其作為一個大型模型，需要較多的計算資源(如gpu內(nèi)存和處理器)進(jìn)行推理，對于資源有限的設(shè)備可能不友好。并且對于大型模型在一般物體檢測上表現(xiàn)好，但對于較小的目標(biāo)檢測不夠敏感，檢測效果并不理想。
技術(shù)實(shí)現(xiàn)思路
1、為了解決背景技術(shù)中所述的技術(shù)問題，本申請實(shí)施例提供一種基于yolov9的目標(biāo)檢測方法及系統(tǒng)，通過對現(xiàn)有的yolov9進(jìn)行結(jié)構(gòu)上的變化，通過添加多個不同的模塊使yolov9能夠在較少的計算資源基礎(chǔ)上實(shí)現(xiàn)對于目標(biāo)尤其是對于小目標(biāo)的檢測高準(zhǔn)確性。
2、為了達(dá)到上述目的，本申請實(shí)施例采用的技術(shù)方案如下：
3、第一方面，提供一種基于yolov9的目標(biāo)檢測方法，所述方法包括：將待檢測圖像通過特征提取網(wǎng)絡(luò)進(jìn)行特征提取，得到關(guān)于所述待檢測圖像的多尺度特征，并將多尺度特征進(jìn)行融合得到特征圖；所述特征提取網(wǎng)絡(luò)包括多個特征提取模塊，多個特征提取模塊用于對所述待檢測圖像進(jìn)行不同尺度的特征提取輸出不同尺度的特征圖，多個不同尺度的特征圖通過下采樣模塊獲得更廣泛的上下文信息；每個所述特征提取模塊包括一個1*1卷積層和兩個特征提取子模塊，兩個所述特征提取子模塊用于接收經(jīng)所述1*1卷積層輸出的兩個特征圖；將所述特征圖經(jīng)過特征融合網(wǎng)絡(luò)進(jìn)行注意力融合，并通過跨階段連接得到融合特征；所述融合特征通過檢測頭得到每一個類別所對應(yīng)預(yù)測概率值，并選取預(yù)測概率值中最大概率值為預(yù)測結(jié)果，并在所述待檢測圖像中進(jìn)行邊界框坐標(biāo)顯示。
4、進(jìn)一步的，方法還包括對所述待檢測圖像進(jìn)行尺寸調(diào)整，具體包括：通過仿射變換調(diào)整所述待檢測圖像的像素尺寸至目標(biāo)尺寸，并對調(diào)整過的所述待檢測圖像進(jìn)行分辨率調(diào)整直至符合所述特征提取模塊的分辨率要求。
5、進(jìn)一步的，所述特征提取網(wǎng)絡(luò)還包括多個卷積層，經(jīng)過每一個卷積層進(jìn)行特征提取后的初始特征圖進(jìn)入對應(yīng)的所述特征提取子模塊。
6、進(jìn)一步的，所述特征提取模塊接收經(jīng)卷積層處理后的特征圖并通過1*1卷積層，用于將輸入通道數(shù)從c1轉(zhuǎn)換到c3；將經(jīng)過1*1卷積層輸出的特征分割成第一特征圖和第二特征圖，每一個特征圖所對應(yīng)的通道數(shù)為c3/2；所述第一特征圖、所述第二特征圖分別輸入至兩個特征提取子模塊。
7、進(jìn)一步的，在所述特征提取模塊中還包括與所述特征提取子模塊輸出連接的1*1卷積層。
8、進(jìn)一步的，所述特征提取子模塊包括第一深度可分離卷積和第二深度可分離卷積，所述第一深度可分離卷積用于對特征進(jìn)行提取，所述第二深度可分離卷積用于將提取到的特征與第一深度可分離卷積提取到的特征在通道維度上進(jìn)行合并；合并后的特征經(jīng)過與所述特征提取子模塊輸出連接的1*1卷積層，將通道數(shù)從c3+2*c4轉(zhuǎn)換到輸出通道數(shù)c2。
9、進(jìn)一步的，所述特征融合網(wǎng)絡(luò)包括池化模塊、注意力模塊和融合模塊；所述池化模塊用于將特征圖劃分為多個不同大小的網(wǎng)格，并對每個網(wǎng)格進(jìn)行最大池化操作，提取不同尺度特征；所述注意力模塊中配置有注意力機(jī)制，用于對不同尺度特征基于注意力權(quán)重進(jìn)行特征更新，得到更新后的特征；所述融合模塊用于將不同尺度的特征進(jìn)行連接，并通過卷積層進(jìn)行融合得融合特征。
10、進(jìn)一步的，所述注意力模塊為多尺度通道注意力模塊，
11、第二方面，提供一種基于yolov9的目標(biāo)檢測系統(tǒng)，所述系統(tǒng)包括：圖像采集端，用于獲取目標(biāo)區(qū)域內(nèi)的待檢測圖像；圖像處理裝置，用于對所述待檢測圖像進(jìn)行目標(biāo)檢測，得到至少一個分類結(jié)果并在所述待檢測圖像中進(jìn)行邊界框坐標(biāo)顯示；結(jié)果顯示端，用于顯示所述待檢測圖像以及在所述待檢測圖像上的邊界框坐標(biāo)。
12、進(jìn)一步的，所述圖像處理裝置包括：特征提取模塊，用于將經(jīng)過尺寸調(diào)整的待檢測圖像通過特征提取網(wǎng)絡(luò)進(jìn)行特征提取，得到關(guān)于所述待檢測圖像的多尺度特征，并將多尺度特征進(jìn)行融合得到特征圖；特征融合模塊，用于將所述特征圖經(jīng)過特征融合網(wǎng)絡(luò)進(jìn)行注意力融合，并通過跨階段連接得到融合特征；分類模塊，用于得到每一個類別所對應(yīng)預(yù)測概率值，并選取預(yù)測概率值中最大概率值為預(yù)測結(jié)果，并在所述待檢測圖像中進(jìn)行邊界框坐標(biāo)顯示。
13、本申請實(shí)施例提供的技術(shù)方案中，通過對yolov9模型進(jìn)行改進(jìn)，尤其是對特征提取過程中進(jìn)行卷積結(jié)構(gòu)設(shè)計優(yōu)化以及特征融合過程通過增加注意力模塊能夠減少模型處理過程中的計算資源，能夠解決現(xiàn)有模型對于硬件配置高要求以及提高對于小目標(biāo)識別的敏感度。
1.一種基于yolov9的目標(biāo)檢測方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于yolov9的目標(biāo)檢測方法，其特征在于，方法還包括對所述待檢測圖像進(jìn)行尺寸調(diào)整，具體包括：通過仿射變換調(diào)整所述待檢測圖像的像素尺寸至目標(biāo)尺寸，并對調(diào)整過的所述待檢測圖像進(jìn)行分辨率調(diào)整直至符合所述特征提取模塊的分辨率要求。
3.根據(jù)權(quán)利要求1所述的基于yolov9的目標(biāo)檢測方法，其特征在于，所述特征提取網(wǎng)絡(luò)還包括多個卷積層，經(jīng)過每一個卷積層進(jìn)行特征提取后的初始特征圖進(jìn)入對應(yīng)的所述特征提取子模塊。
4.根據(jù)權(quán)利要求3所述的基于yolov9的目標(biāo)檢測方法，其特征在于，所述特征提取模塊接收經(jīng)卷積層處理后的特征圖并通過1*1卷積層，用于將輸入通道數(shù)從c1轉(zhuǎn)換到c3；將經(jīng)過1*1卷積層輸出的特征分割成第一特征圖和第二特征圖，每一個特征圖所對應(yīng)的通道數(shù)為c3/2；所述第一特征圖、所述第二特征圖分別輸入至兩個特征提取子模塊。
5.根據(jù)權(quán)利要求4所述的基于yolov9的目標(biāo)檢測方法，其特征在于，在所述特征提取模塊中還包括與所述特征提取子模塊輸出連接的1*1卷積層。
6.根據(jù)權(quán)利要求5所述的基于yolov9的目標(biāo)檢測方法，其特征在于，所述特征提取子模塊包括第一深度可分離卷積和第二深度可分離卷積，所述第一深度可分離卷積用于對特征進(jìn)行提取，所述第二深度可分離卷積用于將提取到的特征與第一深度可分離卷積提取到的特征在通道維度上進(jìn)行合并；合并后的特征經(jīng)過與所述特征提取子模塊輸出連接的1*1卷積層，將通道數(shù)從c3+2*c4轉(zhuǎn)換到輸出通道數(shù)c2。
7.根據(jù)權(quán)利要求6所述的基于yolov9的目標(biāo)檢測方法，其特征在于，所述特征融合網(wǎng)絡(luò)包括池化模塊、注意力模塊和融合模塊；所述池化模塊用于將特征圖劃分為多個不同大小的網(wǎng)格，并對每個網(wǎng)格進(jìn)行最大池化操作，提取不同尺度特征；所述注意力模塊中配置有注意力機(jī)制，用于對不同尺度特征基于注意力權(quán)重進(jìn)行特征更新，得到更新后的特征；所述融合模塊用于將不同尺度的特征進(jìn)行連接，并通過卷積層進(jìn)行融合得融合特征。
8.根據(jù)權(quán)利要求7所述的基于yolov9的目標(biāo)檢測方法，其特征在于，所述注意力模塊為多尺度通道注意力模塊。
9.一種基于yolov9的目標(biāo)檢測系統(tǒng)，其特征在于，所述系統(tǒng)包括：
10.根據(jù)權(quán)利要求9所述的基于yolov9的目標(biāo)檢測系統(tǒng)，其特征在于，所述圖像處理裝置包括：